Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# So greifen Sie auf die Modellanpassung zu
<a name="customizing-models-access"></a>

Amazon SageMaker AI bietet mehrere Schnittstellen für die Modellanpassung. In der folgenden Tabelle sind Ihre Optionen zusammengefasst. Wählen Sie die Schnittstelle, die am besten zu Ihrem Arbeitsablauf und Ihrer Kontrollebene passt.


| Schnittstelle | Infrastruktur | Am besten geeignet für | Ebene der Steuerung | 
| --- | --- | --- | --- | 
| Studio-Benutzeroberfläche | [Serverless](customize-model.md) | Schnelles Experimentieren, Benutzer ohne Code | Geführt — Modell und Technik auswählen, Daten hochladen | 
| PythonSDK (SFTTrainerusw.) | [Serverless](customize-model.md) | Reproduzierbare Rohrleitungen, Automatisierung | Programmatisch — geben Sie alle Parameter im Code an | 
| PythonSDK () ModelTrainer | [SageMaker Jobs im Bereich KI-Ausbildung ](customizing-models-training-jobs.md) | Benutzerdefinierte Instanzen, erweiterte Konfigurationen | Vollständig — wählen Sie den Instanztyp, die Anzahl und das Image | 
| Rezepte | [Ausbildung & Jobs ](customizing-models-training-jobs.md) \+ [ HyperPod ](customizing-models-hyperpod.md) | Pre-configured bewährte Verfahren | Recipe-driven — YAML-Konfiguration ändern | 
| HP-CLI | [HyperPod](customizing-models-hyperpod.md)(EKS) | Kubernetes-einheimische Teams | Vollständig — Einreichung der Kubernetes Stellenausschreibung | 
| Agent (Fähigkeiten zur Anpassung von Modellen) | [Serverless](customize-model.md) | Arbeitsablauf in natürlicher Sprache, geführte Erfahrung | Konversativ — beschreiben Sie, was Sie benötigen | 

## Studio-Benutzeroberfläche
<a name="access-studio-ui"></a>

Die SageMaker AI Studio-Konsole bietet visuelle Workflows für die Modellanpassung, ohne Code schreiben zu müssen.

**Passen Sie es mit der Benutzeroberfläche an **  
Der primäre Einstiegspunkt für die serverlose Modellanpassung. Gehen Sie einen geführten Arbeitsablauf durch:  

1. Wählen Sie ein Fundamentmodell aus dem Katalog aus

1. Wählen Sie eine Anpassungstechnik (SFT, DPO, RLVR, RLAIF)

1. Wählen Sie einen Trainingstyp (oder FFT) LoRA

1. Laden Sie Ihren Trainingsdatensatz hoch oder spezifizieren Sie ihn (S3-Pfad)

1. Konfigurieren Sie Hyperparameter

1. Starten eines Trainingsjobs
Überwachen Sie den Fortschritt in Echtzeit mit Live-Metriken und Protokollen.

**JumpStart Modell-Hub **  
Stöbern und entdecken Sie die Foundation-Modelle, die zur Anpassung verfügbar sind. Filtern Sie nach Anbieter, Aufgabe oder Modellgröße. Von einer Modelldetailkarte aus können Sie die Anpassung direkt starten.

**Agent-Guided Erfahrung **  
Verwenden Sie Amazon SageMaker AI Skills für einen dialogorientierten Ansatz zur Modellanpassung. Beschreiben Sie in natürlicher Sprache, was Sie erreichen möchten, und der Agent führt Sie durch die Modellauswahl, die Vorbereitung des Datensatzes und die Auftragskonfiguration. Weitere Informationen finden Sie unter Fähigkeiten von Agenten zur [ Modellanpassung](https://docs.aws.amazon.com/sagemaker/latest/dg/model-customize-agent-skills.html).

## Python SDK V3
<a name="access-python-sdk"></a>

Programmatischer Zugriff auf Workflows für serverlose und SageMaker KI-Trainingsjobs mithilfe des [ SageMaker AI Python SDK. ](https://sagemaker.readthedocs.io/en/stable/model_customization/index.html)

### Serverlose Trainer
<a name="access-serverless-trainers"></a>

Verwenden Sie technikspezifische Trainerkurse für eine vollständig verwaltete Anpassung:

```
from sagemaker.modules.train import SFTTrainer, DPOTrainer, RLVRTrainer, RLAIFTrainer

# Example: Serverless SFT
trainer = SFTTrainer(
    model_id="meta-textgeneration-llama-3-1-8b-instruct",
    train_data="s3://my-bucket/train.jsonl",
    hyperparameters={
        "max_epochs": 3,
        "learning_rate": 5e-5,
        "lora_rank": 16,
    }
)
trainer.train()
```

### SageMaker Jobs im Bereich KI-Ausbildung
<a name="access-modeltrainer"></a>

Verwenden Sie diese `ModelTrainer` Option, um die Instanzauswahl vollständig zu steuern:

```
from sagemaker.modules.train import ModelTrainer
from sagemaker.modules.configs import Compute, InputData

trainer = ModelTrainer(
    training_image="my-training-image",
    role="arn:aws:iam::123456789012:role/SageMakerRole",
    compute=Compute(instance_type="ml.p4d.24xlarge", instance_count=2)
)
trainer.train(input_data_config=[
    InputData(channel_name="training", data_source="s3://my-bucket/train")
])
```

## Rezepte (Ausbildungsberufe \+ HyperPod)
<a name="access-launcher"></a>

Führen Sie vorkonfigurierte Trainingsrezepte auf [ SageMaker AI-Trainingsjobs ](customizing-models-training-jobs.md) oder [ HyperPod ](customizing-models-hyperpod.md) -Clustern aus. Rezepte übernehmen automatisch die Konfiguration verteilter Schulungen, das Laden von Datensätzen und die Verwaltung von Checkpoints.

Rezepte sind für alle unterstützten Modelle und Techniken verfügbar. Den vollständigen Katalog finden Sie unter [ SageMaker HyperPod KI-Rezepte](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod-recipes.html).

```
git clone --recursive https://github.com/aws/sagemaker-hyperpod-recipes.git
cd sagemaker-hyperpod-recipes
pip3 install -r requirements.txt

# Launch a fine-tuning recipe
python3 launcher/launch.py --recipe recipes_collection/recipes/fine-tuning/llama/sft_lora.yaml
```

## HP-CLI
<a name="access-hp-cli"></a>

Command-line Schnittstelle für die Einreichung von Trainingsjobs an HyperPod EKS-Cluster. HP-CLI lässt sich in die Kubernetes basierte Workload-Orchestrierung für containerisiertes Training auf persistenten Clustern integrieren.

Informationen zur Einrichtung und Verwendung finden Sie unter [ HyperPod Mit Amazon EKS. ](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-hyperpod-eks.html)